馬鈴薯干物質空間分布狀態可視化研究

許英超 王相友 印 祥 胡周勛 岳仁才

(山東理工大學農業工程與食品科學學院， 淄博 255049)

0 引言

馬鈴薯作為第四大糧食作物，其品質越來越受到人們的關注。馬鈴薯的品質評價指標較多，如硬度、蛋白質含量、干物質含量、還原糖含量、淀粉含量等，其中，干物質含量是馬鈴薯加工業對馬鈴薯品質評價的主要指標，關系到企業原材料的成本與后續工藝參數的選擇[1]。通常用于加工的馬鈴薯干物質質量分數需要達到馬鈴薯鮮質量的18%～26%[2]。但馬鈴薯在生長過程中，由于栽培方式[3]和栽培措施[4]的不同，干物質會發生轉移，從而在馬鈴薯塊莖內部分布不均勻。研究馬鈴薯各部位的干物質含量及分布狀態至關重要，直接關系到馬鈴薯加工業的經濟效益。

國外部分學者已對馬鈴薯干物質分布情況進行研究。PRITCHARD等[5]將馬鈴薯長軸頂端部分去掉，剩余部分均勻分成9塊，干燥后測量干物質，結果顯示，外側干物質含量高于內側含量。BANDANA等[6]認為馬鈴薯表皮層干物質含量高于其余部位。以上研究均表明馬鈴薯干物質在馬鈴薯塊莖各部位的分布不同，但由于取樣方法的局限性，不能精確顯示各部位的具體情況。因此，需要新的方法提供更詳細的馬鈴薯干物質含量分布信息， 目前未見國內學者進行此項研究的相關文獻。

高光譜成像技術將光譜技術與成像技術相結合，可同時獲取高光譜圖像中每個像素點的光譜信息和空間信息[7]，根據官能團分子的振動躍遷特性，定量測量被測物的化學、物理性質及它們的空間分布狀態。目前，高光譜成像技術已被廣泛應用于食品質量的快速檢測[8]，主要檢測食品中的水分[9]、蛋白質[10]、脂肪[11]、可溶性固形物[12]、還原糖[13]和干物質等含量[14]。

本文采用高光譜成像技術對馬鈴薯干物質的空間分布狀態進行可視化檢測，結合光譜技術與圖像處理技術，建立預測模型，旨在確定馬鈴薯干物質空間分布狀態的可視化，以期為馬鈴薯精加工提供理論指導，為開發便攜式測量裝置提供技術支持。

1 材料與方法

1.1 樣本

試驗用馬鈴薯采收于山東省滕州市，品種為希森6號。挑選外表完好、無機械損傷、大小均勻的馬鈴薯20個。洗凈放于恒溫23℃暗室內晾干24 h。參照MO等[15]方法結合前期的馬鈴薯光學特性試驗研究，將每個樣品在平行于軸線方向用ST-208B型手動切片機從右向左依次切11 mm的切片。如圖1所示共有6個切片，Ⅰ～Ⅴ厚度為11 mm，第6片厚度隨機。如A-A所示，將Ⅰ～Ⅴ切片用直徑15 mm的打孔器做30個標記。采用高光譜成像系統對切片進行掃描，將標記處的馬鈴薯采用干燥法[16]進行干物質測量。

圖1 取樣示意圖Fig.1 Sampling image

1.2 高光譜成像系統

樣品信息采集，采用可見-近紅外高光譜成像系統。本系統主要包括CCD相機(美國Xenics公司)、Specim V10E型線掃式近紅外光譜儀(芬蘭奧盧光譜成像有限公司)、雙分支光纖光源(美國Advanced illumination公司)、一軸電動移動平臺(臺灣五鈴光學股份有限公司)、暗箱、計算機等。高光譜系統的波長范圍為382～1 010 nm，光譜分辨率為2.8 nm，入射光狹縫寬30 μm。相機分辨率1 600像素×1 200像素。光源采用21 V/150 W鹵素燈接發光長度152.4 mm的線性光導管加線型聚光鏡，移動平臺移動距離為400 mm。

1.3 高光譜圖像采集

采集的高光譜圖像質量與相機的曝光時間、鏡頭的焦距、移動平臺的移動速度以及光源入射角度有關[17]。高光譜圖像采集前先將光源提前預熱30 min，以確保光源穩定。然后調整各參數，確保圖像信息真實有效。經過優化，最終設置的參數如下：曝光時間為25 ms，位移平臺移動速度為3.5 mm/s，圖像分辨率為804像素×440像素，物距為210 mm，光源入射角度為45°，如圖2所示。將3片厚度為11 mm的馬鈴薯切片根部向右按順序平鋪在移動平臺上，關閉暗箱。打開光譜采集軟件IRCP0071-1COMB (臺灣五鈴光學股份有限公司)，采集每片馬鈴薯的高光譜圖像。之后將剩余2片馬鈴薯切片按相同步驟進行高光譜圖像采集。

圖2 高光譜成像系統Fig.2 Hyperspectral imaging system1.光源 2.CCD相機 3.光譜儀 4.鏡頭 5.電動移動平臺 6.暗箱 7.馬鈴薯切片

1.4 高光譜圖像校正

由于暗電流的存在以及光源強度在不同波段下的不均勻分布，高光譜圖像中含有噪聲信號， 故需要對高光譜圖像進行黑白標定[18]。將反射率為0.99且與樣品等高的白板(芬蘭Specim公司)置于樣品采集區域，將采集的圖像作為全白圖像，標記為Iw。將鏡頭蓋上鏡頭蓋采集圖像，作為全黑圖像，記為Ib。對馬鈴薯干物質圖像進行校正，公式為

(1)

式中I——校正后的馬鈴薯切片圖像

Ir——原始的馬鈴薯切片圖像

1.5 數據處理及建模方法

采用Unscrambler 10.5軟件對原始光譜進行預處理，建立了馬鈴薯干物質含量的回歸預測模型。采用Matlab 2012軟件對光譜進行特征變量的選取。

分別采用主成分分析(Principal component regression, PCR)、支持向量機(Support vector regression, SVMR)與偏最小二乘回歸(Partial least squares regression, PLSR)預測馬鈴薯干物質含量，并得到最優模型。將高光譜圖像與最優模型結合，轉化成可視化干物質分布圖。

2 結果與分析

2.1 馬鈴薯干物質分布

試驗選用20個馬鈴薯，每個馬鈴薯取30個感興趣區域(Region of interesting, ROI)，共600個ROI，圖3是馬鈴薯600個ROI的干物質含量分布情況。如圖3所示，馬鈴薯干物質含量基本服從正態分布，在19.5%～22.5%附近較多，兩側較少。20.5%和21.5%的頻數最高，均為93次。馬鈴薯干物質質量分數取值范圍較大，最小值為12.16%，最大值為28.82%，平均值為20.47%，偏差2.03%。

圖3 馬鈴薯干物質分布情況Fig.3 Distribution of potato dry matter content

圖4為各個馬鈴薯干物質的平均含量及偏差情況。20個馬鈴薯中干物質總質量分數最小為18.70%，最大為22.92%，偏差范圍為1.60%～3.74%。

圖4 各馬鈴薯干物質平均含量及偏差Fig.4 Average dry matter content and standard deviation of each potato

2.2 光譜特征提取

將高光譜圖像校正處理后，提取高光譜圖像上每個ROI的平均光譜。圖5為單個馬鈴薯30個ROI的原始光譜曲線，如圖所示光譜在450 nm附近有較大吸收帶，類胡蘿卜素中葉黃素和玉米黃素的最大吸收波長均在450 nm 左右[19]，希森6號為黃肉品種，類胡蘿卜素含量較高。650 nm附近有小吸收峰，葉綠素在此有吸收帶。750、970 nm吸收峰分別為水的O—H三級倍頻和二級倍頻的吸收帶[20]。馬鈴薯中含有70%～80%的水，因此譜圖中970 nm附近有較大吸收帶。

圖5 馬鈴薯原始光譜Fig.5 Raw spectra of potato

2.3 光譜預處理

將600個馬鈴薯樣本按照2∶1的比例分配校正集和預測集，并保證最大值和最小值在校正集中。表1為馬鈴薯干物質在不同預處理下建立的偏最小二乘回歸模型。SNV-SG-FD的PLSR模型最好。預測集的決定系數和均方根誤差分別為0.803和0.903%，相對分析誤差為2.248，該值大于2，因此有好的預測效果。

表1 干物質不同預處理方法的PLSR預測模型Tab.1 Performance of PLSR models of potato dry matter by different preprocessing methods

圖6為光譜預處理后的效果圖。圖6a為SG平滑預處理后光譜圖，SG平滑預處理可有效去除光譜噪聲；與原始光譜相比光譜更平滑。圖6b為SNV預處理后光譜圖，SNV能減少基線漂移及光散射引起的光譜冗余數據，圖6b中光譜冗余數據少，更集中。圖6c為SNV-SG-FD預處理后光譜，FD可降低背景因素的干擾，三者相結合能更好地去除干擾，顯示有效光譜數據。由圖6c可以看出，光譜去除冗余信息，顯示出明顯的波峰與波谷。在520 nm出現明顯波峰，花青素的吸收帶在490～550 nm[21],馬鈴薯果肉中有較多含量的花青素[22]。在900 nm附近有較大的吸收峰，淀粉中的C—H三級倍頻和四級倍頻吸收帶分別在900 nm和740 nm附近。

圖6 預處理光譜圖Fig.6 Preprocessed spectrum

2.4 特征變量的選取

采集的光譜共包含440個波段。為了簡化建模過程，加快計算速度，提高模型的預測能力，需要提取光譜的特征波段，壓縮光譜數據，以期實現馬鈴薯干物質的在線可視化檢測。本文采用正自適應加權算法(Competitive adaptive reweighted sampling, CARS)與連續投影法(Successive projections algorithm, SPA)相結合的方法對光譜進行波段選擇[23]，并對所選波段進行主成分分析、偏最小二乘回歸和支持向量機建模[24-25]。

正自適應加權算法選擇變量，先優選出PLSR回歸系數權重大的波長點，再利用十折交叉驗證選出n個校正集均方根誤差最小的子集作為最優組合。圖7a是變量數選擇的變化趨勢，圖7b是十折交叉驗證的校正集均方根誤差的變化狀態，圖7c是各變量在采樣過程中回歸系數的變化路徑。從圖7可知95次采樣獲得的校正集均方根誤差最小，通子集有42個波段。

圖7 CARS變量選擇Fig.7 Variable selection by CARS

連續投影法通過分析向量的投影，查找含有冗余信息最少的變量組，使變量共線性最小。通過CARS-SPA選擇變量，共獲得了22個特征波長(410、421、446、498、525、550、560、604、644、647、661、736、778、792、845、847、898、899、900、906、912、940 nm)，結果如圖8所示。馬鈴薯干物質的大部分成分為淀粉，故所選的對應波段主要在900 nm附近(特征波長898、899、900、906、912 nm)。馬鈴薯中葉黃素、花青素和葉綠素的含量較多故所選的特征波段較多(特征波長446、498、525、550、560、644、 647、 661 nm)。

圖8 CARS-SPA二次變量選擇Fig.8 Variable selection by CARS-SPA

2.5 建模方法的優選

表2 不同變量選擇方法及建模結果Tab.2 Performance of models on different spectra variable selection

圖9 馬鈴薯干物質質量分數的PLSR預測模型Fig.9 PLSR model for potato dry matter content

2.6 馬鈴薯干物質含量可視化分析

圖10 馬鈴薯干物質含量空間分布圖Fig.10 Distribution map of potato dry matter content

馬鈴薯干物質的空間分布很難通過肉眼直觀判斷，圖10是利用所得的PLSR模型，將高光譜上的像素點轉換成馬鈴薯干物質含量后所得的馬鈴薯干物質含量空間分布圖。顏色梯度條由下往上代表馬鈴薯干物質質量分數由低變高，范圍為11%～28%。由圖10可知，切片Ⅰ和Ⅴ的主要顏色為紅色，干物質質量分數為24.62%；切片Ⅱ和Ⅳ的主要顏色為紅色和黃色，以黃色為主，干物質質量分數在19%～22%之間；中間切片Ⅲ主要呈藍綠色，干物質質量分數在12%～21%之間。表明馬鈴薯中心干物質含量最低，由中心向表皮干物質質量分數逐漸增加。

切片Ⅲ的中間有條紫色豎線，是馬鈴薯的內髓位置，主要成分為水，因此干物質含量低，干物質質量分數為12.16%。外圍藍色圈是馬鈴薯的維管束環位置，馬鈴薯的干物質含量主要分布在內髓與維管束環之間,內髓干物質含量最低。

由此可以看出高光譜圖像技術能有效實現馬鈴薯干物質含量的可視化檢測，相比于傳統干物質的測量方法，更快速更直觀。本研究為薯片薯條的加工及檢測提供了技術支持，為近紅外便攜設備的研制提供了基礎。

3 結論

(1)將CARS-SPA兩種選擇變量的方法相結合提取原始光譜的特征波段，共獲得了22個(特征波長410、421、446、498、525、550、560、604、644、647、661、736、778、792、845、847、898、899、900、906、912、940 nm)有效波段。

(3)通過對馬鈴薯干物質空間分布的研究，提出了采用高光譜成像技術可視化檢測馬鈴薯干物質的方法。利用所得的CARS-SPA-PLSR模型，將高光譜圖像轉換成馬鈴薯干物質含量空間分布圖，實現了馬鈴薯干物質含量的直觀可視化檢測。

(4)得出了馬鈴薯干物質的空間分布規律，馬鈴薯干物質主要是分布在內髓與維管束環之間，由內髓向外干物質含量逐漸增加，內髓位置干物質質量分數最低為12.16%，外層干物質質量分數可達24.62%。

1 NIELSEN G G B, KJ?R A, KL?SGEN B, et al. Dielectric spectroscopy for evaluating dry matter content of potato tubers[J]. Journal of Food Engineering, 2016, 189: 9-16.

2 RADY A M, GUYER D E. Rapid and/or nondestructive quality evaluation methods for potatoes: a review[J]. Computers & Electronics in Agriculture, 2015, 117:31-48.

3 楊平, 陳昱利, 鞏法江, 等. 不同栽培方式對馬鈴薯干物質積累分配及轉運的影響[J]. 中國農學通報, 2017, 33(8): 13-18.

YANG Ping, CHEN Yuli, GONG Fajiang, et al. Effects of different cultivation methods on accumulation, distribution and transport of dry matter in potato[J]. Chinese Agricultural Science Bulletin, 2017, 33(8): 13-18. (in Chinese)

4 楊相昆,魏建軍,張占琴,等.不同栽培措施對馬鈴薯干物質積累與分配的影響[J].作物雜志, 2012(4):130-133.

YANG Xiangkun, WEI Jianjun, ZHANG Zhanqin, et al. Study on accumulation and distribution of dry matter in potato under different cultivation[J]. Crops, 2012(4): 130-133. (in Chinese)

5 PRITCHARD M K, SCANLON M G. Mapping dry matter and sugars in potato tubers for prediction of whole tuber process quality[J]. Canadian Journal of Plant Science, 1997,77(3):461-467.

6 BANDANA, SHARMA V, KAUSHIK S K, et al. Variation in biochemical parameters in different parts of potato tubers for processing purposes[J]. Journal of Food Science & Technology, 2016, 53(4):1-7.

7 尹麗華. 基于高光譜成像技術的鮮棗分級技術的研究[D].太谷:山西農業大學, 2013.

YIN Lihua. Research of online grading for flesh jujube based on hyperspectral imaging abstract[D]. Taigu: Shanxi Agricultural University,2013. (in Chinese)

8 WU D, SUN D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment:a review—part II: applications[J]. Innovative Food Science & Emerging Technologies,2013,19(1):15-28.

9 SU W H, SUN D W. Potential of hyperspectral imaging for visual authentication of sliced organic potatoes from potato and sweet potato tubers and rapid grading of the tubers according to moisture proportion[J]. Computers and Electronics in Agriculture, 2016, 125:113-124.

10 CAPORASO N, WHITWORTH M B, FISK I D. Protein content prediction in single wheat kernels using hyperspectral imaging[J]. Food Chemistry, 2018,240(2):32-42.

11 ELMASRY G, SUN D W, ALLEN P. Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J]. Journal of Food Engineering, 2013, 117(2):235-246.

13 RADY A, GUYER D, LU R. Evaluation of sugar content of potatoes using hyperspectral imaging[J]. Food and Bioprocess Technology, 2015, 8(5): 995-1010.

14 宋娟, 吳晨. 基于高光譜成像技術的馬鈴薯多種營養成分同時檢測[J]. 河南工業大學學報:自然科學版, 2016, 37(1):60-66.

SONG Juan, WU Chen. Simultaneous detection of quality nutrients of potaties based on hyperspectral imaging technique[J]. Journal of Henan University of Technology: Natural Science Edition,2016, 37(1):60-66. (in Chinese)

15 MO C, KIM M S, KIM G, et al. Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging[J]. Biosystems Engineering, 2017, 159:10-21.

16 闞琳瑋. 不同處理方式對馬鈴薯品質的影響研究[D]. 鄭州:河南工業大學, 2014.

KAN Linwei. Effect of different processing on potatoes quality [D]. Zhengzhou: Henan University of Technology, 2014. (in Chinese)

17 馬惠玲, 王若琳, 蔡騁,等. 基于高光譜成像的蘋果品種快速鑒別[J/OL]. 農業機械學報, 2017, 48(4):305-312. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170440&flag=1.DOI:10.6041/j.issn.1000-1298.2017.04.040.

MA Huiling, WANG Ruolin, CAI Cheng, et al. Rapid identification of apple varieties based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4):305-312. (in Chinese)

18 朱榮光, 姚雪東, 高廣娣,等. 不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測[J/OL]. 農業機械學報, 2013, 44(7):165-169. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130728&flag=1. DOI:10.6041/j.issn.1000-1298.2013.07.028.

ZHU Rongguang, YAO Xuedong, GAO Guangdi, et al. Hyperspectral imaging detection of beef color under different storage time[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(7):165-169. (in Chinese)

19 張春秋, 劉杰, 謝開云,等. 高效液相色譜法測定馬鈴薯薯肉中類胡蘿卜素[J]. 食品科學, 2008, 29(4):302-305.

ZHANG Chunqiu, LIU Jie, XIE Kaiyun, et al. Determination of carotenoids in tuber flesh by HPLC in potato(SolanumtuberosumL.)[J]. Food Science, 2008, 29(4):302-305. (in Chinese)

20 HELGERUD T, WOLD J P, PEDERSEN M B, et al. Towards on-line prediction of dry matter content in whole unpeeled potatoes using near-infrared spectroscopy[J]. Talanta, 2015, 143: 138-144.

21 PARK B, LU R. Hyperspectral imaging technology in food and agriculture[M]. New York: Springer, 2015:104-108.

22 BROWN C R, CULLEY D, YANG C P, et al. Variation of anthocyanin and carotenoid contents and associated antioxidant values in potato breeding lines[J]. Journal of the American Society for Horticultural Science, 2005, 130(2):174-180.

23 周竹, 李小昱, 高海龍,等. 馬鈴薯干物質含量高光譜檢測中變量選擇方法比較[J/OL]. 農業機械學報, 2012,43(2):128-133,185.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120226&flag=1. DOI:10.6041/j.issn.1000-1298.2012.02.026.

ZHOU Zhu, LI Xiaoyu, GAO Hailong, et al. Comparison of different variable selection methods on potato dry matter detection by hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2):128-133,185. (in Chinese)

24 石力安, 郭輝, 彭彥昆, 等. 牛肉含水率無損快速檢測系統研究[J/OL]. 農業機械學報,2015,46(7): 203-209.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150729&flag=1. DOI:10.6041/j.issn.1000-1298.2015.07.029.

SHI Li’an, GUO Hui, PENG Yankun, et al. Nondestructive rapid detection system for water content of beef[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 203-209. (in Chinese)

25 劉貴珊, 房盟盟, 馮愈欽,等. 基于高光譜聯合流化床富集的紅葡萄酒白藜蘆醇檢測[J/OL]. 農業機械學報,2017,48(7):301-308.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170738&flag=1. DOI:10.6041/j.issn.1000-1298.2017.07.038.

LIU Guishan, FANG Mengmeng, FENG Yuqin, et al. Detection of resveratrol in red wine based on fluidized bed preconcentration-hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7):301-308. (in Chinese)